Iloraz szans najcz\u0119\u015bciej pojawia si\u0119 w regresji logistycznej<\/a> , kt\u00f3ra jest metod\u0105, kt\u00f3rej u\u017cywamy do dopasowania modelu regresji, kt\u00f3ry ma jedn\u0105 lub wi\u0119cej zmiennych predykcyjnych i binarn\u0105 zmienn\u0105 odpowiedzi.<\/span><\/p>\n Skorygowany iloraz szans<\/strong> to iloraz szans skorygowany o inne zmienne predykcyjne w modelu.<\/span><\/p>\n Jest to szczeg\u00f3lnie przydatne, gdy pomaga nam zrozumie\u0107, w jaki spos\u00f3b zmienna predykcyjna wp\u0142ywa na prawdopodobie\u0144stwo wyst\u0105pienia zdarzenia, po<\/em> uwzgl\u0119dnieniu wp\u0142ywu innych zmiennych predykcyjnych.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad ilustruje r\u00f3\u017cnic\u0119 mi\u0119dzy ilorazem szans a skorygowanym ilorazem szans.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce chcemy zrozumie\u0107, czy wiek matki wp\u0142ywa na prawdopodobie\u0144stwo urodzenia dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105.<\/span><\/p>\n Aby to zbada\u0107, mo\u017cemy przeprowadzi\u0107 regresj\u0119 logistyczn\u0105, wykorzystuj\u0105c wiek jako zmienn\u0105 predykcyjn\u0105 i nisk\u0105 mas\u0119 urodzeniow\u0105 (tak lub nie) jakozmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce zbieramy dane dotycz\u0105ce 300 matek i dopasowujemy model regresji logistycznej. Oto wyniki:<\/span> <\/p>\n Aby otrzyma\u0107 iloraz szans dla wieku, po prostu pot\u0119guj oszacowanie wsp\u00f3\u0142czynnika z tabeli: e 0,173<\/sup> = 1,189<\/strong> .<\/span><\/p>\n To m\u00f3wi nam, \u017ce zwi\u0119kszenie wieku o jeden rok wi\u0105\u017ce si\u0119 ze wzrostem o 1189<\/strong> szans na urodzenie dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105. Innymi s\u0142owy, szanse na urodzenie dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105 zwi\u0119kszaj\u0105 si\u0119 o 18,9%<\/strong> z ka\u017cdym dodatkowym rocznym wzrostem wieku.<\/span><\/p>\n Ten iloraz szans nazywany jest \u201esurowym\u201d ilorazem szans lub \u201enieskorygowanym\u201d ilorazem szans, poniewa\u017c nie zosta\u0142 skorygowany o inne zmienne predykcyjne w modelu, poniewa\u017c jest jedyn\u0105<\/em> zmienn\u0105 predykcyjn\u0105 w modelu.<\/span><\/p>\n Za\u0142\u00f3\u017cmy jednak, \u017ce chcemy zrozumie\u0107, czy wiek matki i<\/em> nawyki palenia wp\u0142ywaj\u0105 na prawdopodobie\u0144stwo urodzenia dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105.<\/span><\/p>\n Aby to zbada\u0107, mo\u017cemy przeprowadzi\u0107 regresj\u0119 logistyczn\u0105, wykorzystuj\u0105c wiek i palenie (tak lub nie) jako zmienne predykcyjne oraz nisk\u0105 mas\u0119 urodzeniow\u0105 jakozmienn\u0105 odpowiedzi<\/a> .<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce zbieramy dane dotycz\u0105ce 300 matek i dopasowujemy model regresji logistycznej. Oto wyniki:<\/span> <\/p>\n Oto jak interpretowa\u0107 wyniki:<\/span><\/p>\n Wiek:<\/strong> Iloraz szans skorygowany o wiek oblicza si\u0119 w nast\u0119puj\u0105cy spos\u00f3b: e 0,045<\/sup> = 1,046<\/strong> . Oznacza to, \u017ce szanse na urodzenie dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105 zwi\u0119kszaj\u0105 si\u0119 o 4,6% na ka\u017cdy dodatkowy roczny wzrost wieku, przy za\u0142o\u017ceniu, \u017ce zmienna palenia<\/em> pozostaje sta\u0142a.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce matka A i matka B pal\u0105. Je\u015bli matka A jest o rok starsza od matki B, w\u00f3wczas prawdopodobie\u0144stwo, \u017ce matka A urodzi dziecko z nisk\u0105 mas\u0105 urodzeniow\u0105, jest 1,046 razy wi\u0119ksze ni\u017c prawdopodobie\u0144stwo, \u017ce matka B urodzi dziecko z nisk\u0105 mas\u0105 urodzeniow\u0105.<\/span><\/p>\n Palenie<\/strong> : Skorygowany iloraz szans dla palenia oblicza si\u0119 w nast\u0119puj\u0105cy spos\u00f3b: e,485<\/sup> = 1,624<\/strong> . Oznacza to, \u017ce szanse na urodzenie dziecka z nisk\u0105 mas\u0105 urodzeniow\u0105 zwi\u0119kszaj\u0105 si\u0119 o 62,4%, je\u015bli matka pali (w por\u00f3wnaniu do os\u00f3b niepal\u0105cych), przy za\u0142o\u017ceniu, \u017ce zmienna wieku<\/i> pozostaje sta\u0142a.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce matka A i matka B maj\u0105 po 30 lat. Je\u015bli matka A pali w czasie ci\u0105\u017cy, a matka B nie pali, w\u00f3wczas ryzyko, \u017ce matka A urodzi dziecko z nisk\u0105 mas\u0105 urodzeniow\u0105, jest o 62,4% wi\u0119ksze ni\u017c ryzyko, \u017ce matka B urodzi dziecko z nisk\u0105 mas\u0105 urodzeniow\u0105.<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce iloraz szans skorygowany o wiek jest ni\u017cszy ni\u017c iloraz szans nieskorygowany z poprzedniego przyk\u0142adu. Dzieje si\u0119 tak dlatego, \u017ce gdy inne zmienne predykcyjne zwi\u0119kszaj\u0105 prawdopodobie\u0144stwo wyst\u0105pienia zmiennej odpowiedzi, skorygowany iloraz szans dla zmiennej predykcyjnej ju\u017c obecnej w modelu zawsze b\u0119dzie si\u0119 zmniejsza\u0142.<\/span><\/p>\n Iloraz szans<\/strong> (czasami nazywany \u201eprzybli\u017conym\u201d ilorazem szans) jest przydatny, gdy informuje nas, jak zmiany zmiennej predykcyjnej wp\u0142ywaj\u0105 na prawdopodobie\u0144stwo wyst\u0105pienia zmiennej odpowiedzi.<\/span><\/p>\n Skorygowany iloraz szans<\/strong> jest przydatny, gdy informuje nas, jak zmiany zmiennej predykcyjnej wp\u0142ywaj\u0105 na prawdopodobie\u0144stwo wyst\u0105pienia zmiennej odpowiedzi, po<\/em> uwzgl\u0119dnieniu innych zmiennych predykcyjnych w modelu.<\/span><\/p>\n Wprowadzenie do regresji logistycznej<\/a> W statystyce iloraz szans informuje nas o stosunku prawdopodobie\u0144stwa wyst\u0105pienia zdarzenia w grupie badanej do prawdopodobie\u0144stwa wyst\u0105pienia zdarzenia w grupie kontrolnej. Iloraz szans najcz\u0119\u015bciej pojawia si\u0119 w regresji logistycznej , kt\u00f3ra jest metod\u0105, kt\u00f3rej u\u017cywamy do dopasowania modelu regresji, kt\u00f3ry ma jedn\u0105 lub wi\u0119cej zmiennych predykcyjnych i binarn\u0105 zmienn\u0105 odpowiedzi. Skorygowany iloraz szans to iloraz […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1526","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad: Obliczanie skorygowanych iloraz\u00f3w szans<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio1.png\")
<\/p>\n![\"Przyk\u0142ad](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ajuste_odds_ratio2.png\")
<\/p>\n Podsumowanie: iloraz szans w por\u00f3wnaniu ze skorygowanym ilorazem szans<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w R
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"